TimesFM 时间序列预测200M 参数零样本基础模型如何比统计模型快 600 倍【免费下载链接】timesfmTimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting.项目地址: https://gitcode.com/GitHub_Trending/ti/timesfm想给下周销量画一条预测线传统做法往往要先选 ARIMA 或指数平滑模型再调参。谷歌开源的 TimesFMTime Series Foundation Model时间序列基础模型让你跳过训练这一步喂进历史数据直接返回点预测和十档分位数区间。它解决的核心问题是没有标注数据、也没有时间逐个建模时如何快速拿到可用的预测。零样本预测比统计组合快 600 倍先说结论TimesFM 的价值不在某个指标第一而在同一套权重下兼顾精度、速度与概率输出。在 ETT 长序列基准上TimesFM 平均预测耗时0.606 秒而 Chronos-Large 需要约1079 秒仓库标注快了上千倍在扩展基准上它比 StatisticalEnsemble 快 600 倍、比 Chronos-Large 快 80 倍。精度方面它的均值 WAPE 0.386、SMAPE 0.636均低于两个对比模型。长序列基准ETTh1/Eth2/Ettm1/Ettm2均值指标TimesFMChronos-LargeChronos-MiniWAPE 均值0.3860.4010.414SMAPE 均值0.6360.6530.688预测耗时秒均值0.6061079.6252.6扩展基准澳洲电力需求数据集MASE越低越好模型MASE耗时秒TimesFM1.0200.55Chronos-Large1.2336.3SeasonalNaive1.34021.2它如何把读历史变成读上文一句话定位TimesFM 是一个仅解码器decoder-only架构的基础模型。类比大语言模型读上文、写下一句它读历史时间序列、写未来若干步——区别只是输入变成了数字。术语上基础模型指先在大量序列上预训练、再零样本迁移到新数据分位数头指额外输出第 10% 到 90% 的多档预测而不是只给一条中位线于是你能画出置信区间。2.5 版相比 2.0 版有三处变化参数量从 500M 降到200M磁盘约 800MBCPU 推理约 1.5GB 内存上下文长度从 2048 提到16384并去掉了对频率标志的依赖。这意味着更轻、能读更长的历史调用也更简单。3 步装好并跑通第一次预测安装分两块先拿代码再装依赖。用 PyTorch 后端最通用Flax 后端对 TPU/GPU 更快。git clone https://gitcode.com/GitHub_Trending/ti/timesfm cd timesfm uv pip install -e .[torch]跑通第一次预测最短代码只保留必要行。权重首次运行时从 HuggingFace 拉取并缓存到本地import torch, numpy as np, timesfm torch.set_float32_matmul_precision(high) model timesfm.TimesFM_2p5_200M_torch.from_pretrained(google/timesfm-2.5-200m-pytorch) model.compile(timesfm.ForecastConfig(max_context1024, max_horizon256, normalize_inputsTrue, use_continuous_quantile_headTrue, fix_quantile_crossingTrue)) point, quantiles model.forecast(horizon24, inputs[np.sin(np.linspace(0, 20, 200))]) # point.shape - (1,24) 中位预测quantiles.shape - (1,24,10) 第10%~90%区间inputs直接传一个一维数组即可批量预测则传多个数组的列表。完整参数含义见 ForecastConfig 参考硬件与内存档位见 系统要求文档。哪些场景传统方法反而更合适TimesFM 适合零样本预测、需要批量处理成百上千条序列、想要概率区间、以及用 XReg 引入协变量价格、节假日等外生变量。它的输出可以直接当预测区间用——落在第 10%~90% 之外的点即统计异常仓库里给了完整的 异常检测示例。但也有明确的边界这些情况传统方法仍够用甚至更好需要系数可解释或做 Granger 因果判断时用statsmodels数据本质是表格而非时间序列用scikit-learn要做序列分类/聚类用aeon。另外两点要注意上下文至少要 32 个点仓库提示十个分位数头在预训练后未做校准用于严格区间时建议在留出集上再校准。协变量功能依赖 XReg需额外安装timesfm[xreg]。怎么选TimesFM 还是 ARIMA一句话要零样本、要批量、要概率区间直接上 TimesFM 2.5要可解释系数、做因果分析、或数据很短且结构单一用 statsmodels 的 ARIMA/VAR 更合适。若两条都要可先用 TimesFM 快速出基线再对关键序列用传统模型精调并解释。下一步可以按顺序做先运行scripts/check_system.py确认内存与磁盘够加载模型再把你的 CSV 接进 forecast_csv.py 脚本 跑出第一份预测与区间最后对照 系统要求文档 按硬件选批大小与上下文长度。【免费下载链接】timesfmTimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting.项目地址: https://gitcode.com/GitHub_Trending/ti/timesfm创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考